Sunnuntai-iltapäivä ei ole useimmille ravintola-alan esihenkilöille lepoa varten. Se on varattu ”vuorolistatanssille”. Istut taulukkolaskentaohjelma toisessa kädessäsi ja mututuntuma toisessa, yrittäen arvata, kuinka monta tarjoilijaa tarvitset ensi torstaina. Jos aliresursoit, Google-arvostelusi romahtavat ja tiimisi uupuu. Jos yliresursoit, seuraat voittomarginaalisi haihtumista kolmen työntekijän muodossa, jotka kiillottavat jo valmiiksi puhtaita laseja.
Olen viettänyt paljon aikaa riippumattomien ravintolaryhmien ja hotelliketjujen kirjanpitoa tarkastellen. Toistuva kaava, jota kutsun nimellä emotionaalinen turvamarginaali, on selvästi nähtävissä. Se on ylimääräinen 15–20 % työvoimakustannuksista, jonka esihenkilöt lisäävät vuorolistaan vain siksi, etteivät he joutuisi pulaan. Kun käytettävissä ei ole dataa, vakuutus ostetaan palkkakulujen muodossa.
Työskentelin hiljattain keskisuuren ravintola-alan konsernin kanssa, joka päätti lopettaa arvailun. Integroimalla ulkoista dataa – kuten säämalleja, paikallisia konserttiaikatauluja ja jopa julkisen liikenteen häiriöitä – he saavuttivat 30 % säästöt työvoimakustannuksissa irtisanomatta yhtäkään henkilöä tai vaatimatta tiimiltään kovempaa tahtia. He yksinkertaisesti lopettivat ”varmuuden vuoksi” maksamisen. Tähän päästäkseen heidän oli tunnistettava parhaat AI-työkalut ravintola-alalle ja muutettava ajattelutapansa reaktiivisesta ennakoivaksi.
Ongelma: Miksi vuorolistasi valehtelee sinulle
💡 Haluatko Pennyn analysoivan liiketoimintaasi? Hän kartoittaa, mitkä roolit tekoäly voi korvata, ja rakentaa vaiheittaisen suunnitelman. Aloita ilmainen kokeilu →
Perinteinen ravintola-alan vuorosuunnittelu perustuu ”viime vuosi plus tai miinus” -malliin. Katsot, mitä teit tänä päivänä viime vuonna, ja teet pieniä säätöjä. Mutta viime vuonna tiistaina ei satanut, eikä kolmen korttelin päässä ollut 20 000 ihmisen Harry Styles -konserttia.
Kun esihenkilöt käyttävät staattisia työkaluja, he lankeavat reaktiivisen vuorolistan ansaan. Tässä henkilöstömäärät asetetaan historiallisiin keskiarvoihin perustuen, joilla ei ole mitään tekemistä päivän todellisen kysynnän kanssa. Tuloksena on ”vuorolistan turvotus” – hidas, näkymätön pääoman hukkuminen. Useimmat omistajat hyväksyvät tämän ”liiketoiminnan kustannuksena”, mutta nousevien raaka-ainekustannusten ja tiukkojen marginaalien aikakaudella se on todellisuudessa tietoinen valinta menettää rahaa.
Oivallus: Datan synteesi voittaa inhimillisen intuition
Sanon usein asiakkailleni, että inhimillinen esihenkilö on loistava vieraanvaraisuudessa, mutta huono monimuuttujalaskennassa. Täydellisen vuorolistan rakentamiseksi on punnittava vähintään viittä muuttuvaa ulkoista tekijää:
- Hyperpaikallinen sää: Kahden asteen lämpötilan lasku voi siirtää yleisön ulkoterassilta sisätiloihin, muuttaen vaadittua tarjoilija-pöytä-suhdetta välittömästi.
- Tapahtumakerros: Paikalliset stadionaikataulut, teatteriesitykset ja jopa koulujen lomat luovat ”kysyntäpiikkejä”, joita historiallinen data ei usein huomaa.
- Liikennelogistiikka: Jos toimipisteesi lähellä oleva keskeinen metrolinja tai valtatie on suljettu huollon vuoksi, ”odotettu” asiakasvirtasi putoaa 25 %.
- Henkilöstön fiilis ja väsymys: AI ei katso vain myyntiä; se katsoo, kuka on tehnyt kolme tuplavuoroa peräkkäin ja tarjoilee todennäköisesti hitaammin tai ilmoittautuu sairaaksi.
- Kilpailijoiden toiminta: Onko vastapäisellä pubilla käynnissä suuri kampanja? Se vaikuttaa suoraan ohikulkijoiden määrään.
Ryhmä, jonka kanssa työskentelin, ymmärsi, ettei kukaan ihminen pysty yhdistämään näitä muuttujia kuuden toimipisteen osalta sunnuntaina kello 16. He tarvitsivat järjestelmän, joka pystyy siihen. Syvällisemmän katsauksen siihen, miten tämä dynamiikka toimii tietyillä aloilla, löydät ravintola-alan henkilöstösäästöoppaastamme.
Muutos: Siirtyminen ennakoivaan henkilöstösuunnitteluun
Aloitimme auditoimalla heidän nykyisen teknologiapinonsa. He käyttivät tavallista palkanlaskentapalvelua, joka hoiti perusasiat mutta ei tarjonnut lainkaan ennakointia. (Muuten, jos maksat liikaa pelkästä hallinnollisesta käsittelystä, kannattaa tarkistaa analyysimme palkanlaskentapalveluiden kustannuksista nähdäksesi, mihin rahat voisi paremmin käyttää tekoälyn avulla).
Vuorolistan turvotuksen korjaamiseksi otimme käyttöön kolmitasoisen ennakoivan vuorolistasilmukan:
Vaihe 1: Datan keräys
Sen sijaan, että vuorosuunnitteluohjelmistoon olisi syötetty vain ”mennyt myynti”, yhdistimme sen rajapintojen kautta paikalliseen sääpalveluun sekä Eventbrite/Ticketmaster-aikatauluihin. Tämä loi ”kysyntäennusteen”, joka oli 92-prosenttisen tarkka jopa 10 päivää etukäteen.
Vaihe 2: Parhaat AI-työkalut ravintola-alan integraatioon
Siirsimme heidät käyttämään alustoja kuten 7shifts ja Planday, mutta uudella tavalla. Käytimme AI-väliohjelmistokerrosta, joka otti ”kysyntäennusteen” ja laati automaattisesti ehdotuksen vuorolistasta. Tämä muutti esihenkilön roolin vuorolistan luojasta sen tarkastajaksi.
Vaihe 3: Reaaliaikainen joustavuus
Jos ChatGPT tai muu tekoälypohjainen järjestelmä havaitsi äkillisen muutoksen (esim. äkillinen ukkosmyrsky tai liikennelakko), se lähetti esihenkilölle ilmoituksen kolme tuntia ennen vuoron alkua ehdottaen yhden työntekijän kotiin jättämistä tai toisen kutsumista aikaisemmin töihin. Tämä on ero 30 % ja 5 % säästön välillä.
90/10-sääntö käytännössä
Tämä muutos on täydellinen esimerkki 90/10-säännöstä: AI hoitaa 90 % rutiininomaisesta datan synteesistä (ennustaminen ja alustava luonnos), jolloin esihenkilölle jää viimeinen 10 % – inhimilliset päätökset.
Tarvitseeko tietty työntekijä tietyn iltapäivän vapaaksi perheasian vuoksi? AI ei aina tiedä emotionaalista kontekstia, mutta se kertoo esihenkilölle tarkalleen, mitä tuo joustavuus maksaa resursoinnin kannalta. Kun AI hoitaa ”mitä”-osuuden, ihmiset voivat keskittyä ”kuka”-osuuteen. Tämä lähestymistapa on samanlainen kuin tehokkuuden parantaminen muilla sektoreilla, kuten elintarvike- ja juomalogistiikassa, missä ennakoiva ajoitus on kaikki kaikessa.
Tulokset: Numerot eivät valehtele
Kuuden kuukauden jälkeen tulokset olivat ravintolaryhmälle selkeät:
- Kokonaispalkkakustannukset: Laskivat 30 % koko konsernissa.
- Henkilöstön pysyvyys: Itse asiassa kasvoi. Henkilökunta raportoi vähemmän stressiä, koska heitä ei ”jyrätty” aliresursoinnin vuoksi, eikä heitä lähetetty kotiin aikaisemmin (menettäen palkkaa) esihenkilön yliresursoinnin takia.
- Esihenkilön aika: Väheni 6 tunnista viikossa (vuorolistan laatiminen) 45 minuuttiin (tarkistaminen).
Penny’n näkökulma: Lopeta ”epävarmuusveron” maksaminen
Jos työvoimakustannuksesi ovat yli 30 % liikevaihdostasi, et maksa vain työntekijöillesi – maksat epävarmuusveroa. Maksat siitä, ettet tiedä, mitä ensi tiistaina tapahtuu.
Ennakoiva AI ravintola-alalla ei tarkoita ravintolan ”sielun” korvaamista. Kyse on sen varmistamisesta, ettei tuo sielu mene konkurssiin taulukkolaskentavirheen vuoksi. Parhaat AI-työkalut ravintola-alalle ovat niitä, jotka katoavat taustalle ja antavat sinulle yksinkertaisesti oikean määrän ihmisiä oikeaan aikaan.
Mistä aloittaa
Jos tunnet ”vuorolistan turvotuksen” painon, aloita tästä:
- Auditoi ”turvamarginaalisi”: Katso viimeisen neljän viikon vuorolistojasi. Kuinka monta kertaa lähetit jonkun kotiin aikaisemmin? Kuinka monta kertaa ihmiset vain seisoskelivat? Se on säästötavoitteesi.
- Integroi yksi ulkoinen muuttuja: Et tarvitse täyttä AI-ohjelmistoa heti ensimmäisenä päivänä. Aloita tarkistamalla sää ja paikalliset tapahtumat ennen kuin julkaiset seuraavan vuorolistan.
- Arvioi teknologiapinosi: Jos nykyinen vuorosuunnitteluohjelmistosi ei salli API-integraatioita tai AI-avusteista ennustamista, se maksaa sinulle enemmän kuin sen kuukausimaksu.
Tehokkuudessa ei ole kyse kovemmasta työnteosta; kyse on siitä, että tiedetään tarkalleen, kuinka paljon työtä on tehtävänä ennen kuin ovet edes avautuvat. Data on olemassa. Käytätkö sitä?